Jul, 2019

参数化图像运算符的通用解耦学习框架

PDF
TL;DR本文提出了一种基于分离学习的算法，通过学习运算符参数动态调整基本网络的权重来逼近和改进传统的图像算子，并成功应用于许多传统的参数化图像算子，可进一步扩展以动态更改基本网络的单个层的权重以加速参数调整。
deep networksimage operatorsparameterizeddecoupled learningparameter tuning
发现论文，激发创造
  • 基于参数化图像算子的分离学习

    提出了一种新的解耦学习算法，可以学习运算符参数来动态调整图像运算符的深度网络的权重，并证明这种框架可以成功应用于许多传统的参数化图像运算符。

    Jul, 2018

  • 解耦网络

    提出了一种基于内积的离线卷积学习框架，它将内部特征限制为对应于类内变化和语义差异的特征规范和角度，通过将内积重新参数化为解耦形式并将其推广到解耦卷积算子，该算子是解耦网络的构建块。

    Apr, 2018

  • 用于图像去雨的轻量级金字塔网络

    本文介绍了一种轻量级网络结构（LPNet）用于图像去雨，采用高斯 - 拉普拉斯图像金字塔分解技术简化学习过程，并采用递归和残差网络结构，以不到 8K 的参数达到最先进的性能，同时讨论了 LPNet 在其他低级和高级视觉任务中的潜在价值。

    May, 2018

  • 利用现有的深层网络进行字幕和美学引导的图像裁剪

    我们提出了一种新颖的优化框架，它可以基于用户描述信息和美学目标对给定图像进行裁剪，通过重新利用预训练的图像标注和美学任务网络直接优化裁剪参数，并通过多种策略实现了优化目标的实现，定量与定性实验证明我们的框架可以产生符合预期的用户描述和审美标准的裁剪图像。

    Jan, 2022

  • 多域深度神经网络的高效参数化

    本文提出用一些适量的参数区分不同的子任务，从而在视觉领域的多个任务中进行迁移学习，此类参数化极易压缩且具有较高的性能。

    Mar, 2018

  • 学习学习参数化分类网络以扩展输入图像

    通过利用元学习器生成不同输入尺度的主要网络的卷积权重并针对每个尺度维护私有的批量归一化层，同时利用知识蒸馏技术优化不同输入分辨率下的网络预测，我们学习的元网络可以动态地调节主要网络以适用于任意尺寸的输入图像，表现出相较于单一训练模型更好的准确性和执行效率。经过在 ImageNet 数据集上广泛的实验验证，我们的方法在自适应推断过程中实现了更好的准确性与效率权衡。

    Jul, 2020

  • 无参数层学习特征

    该论文探讨采用内置无参操作替换空间操作的网络架构的有效性，实验结果表明，这种架构可以在不牺牲模型精度的情况下进一步提高网络速度和效率，尤其适用于 ImageNet 数据集。

    Feb, 2022

  • 深度神经网络结构和超参数优化的算法框架

    本篇论文提出一种基于演化有向无环图的算法框架，自动生成高效的深度神经网络并优化其相关超参数，与已有文献中的搜索空间相比更具灵活性，能优化网络的结构和超参数，已经在时间序列预测基准测试中得到了实验结果的验证。

    Feb, 2023

  • 调制适配器多领域学习

    本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。

    Jul, 2023

  • 一次参数训练，多任务学习与迁移学习

    本文介绍了一种基于小参数集合的深度神经网络迁移学习和多任务学习的新方法，通过调整网络中的特定组件使其适应不同任务，以达到在多个任务中共享参数并且性能表现良好的目的。

    Oct, 2018